学会做医生：寻找有效医疗智能体架构的搜索方法

大型语言模型（LLM）基于的智能体在广泛的任务中展现出强大的能力，其在医疗领域的应用尤为有前景，因为该领域对高通用性和跨学科知识的需求日益增长。然而，现有的医疗智能体系统往往依赖静态的、手动构建的工作流程，这些工作流程缺乏灵活性，无法适应多样化的诊断需求或应对新出现的临床情景。鼓舞于自动机器学习（AutoML）的成功，本文提出了一种用于自动化医疗智能体架构设计的新框架。具体而言，我们定义了一种层次化且富有表现力的智能体搜索空间，通过在节点、结构和框架层面的结构化修改，实现动态的工作流程适应。我们的框架将医疗智能体概念化为由多样功能节点类型组成的基于图的架构，并支持基于诊断反馈的迭代自我改进。在皮肤病病诊任务上的实验结果表明，所提方法有效地演化了工作流程结构，并在诊断准确率上实现了显著提升。本工作代表了医疗智能体架构设计的第一个完全自动化框架，为在真实临床环境中部署智能体提供了可扩展且可适应的基础。